Aprendizaje por refuerzos para el control inteligente de sistemas pasivos y activos de climatización en viviendas con respeto del confort

HENDERSON, G.; ARENA, A.P.; BROMBERG, F

Bogotá

Congreso; 5° Congreso Nacional y 1° Congreso Internacional de Ciencias Ambientales ?Las Ciencias Ambientales en el Antropoceno?.; 2021

Universidad de Ciencias Ambientales y aplicadas

El sector residencial es un gran consumidor de energía, representando el 25% de la demanda en la Argentina, que junto con el sector de la industria y el transporte son los principales pilares de la demanda de energía primaria y secundaria. Con el fin de reducir los consumos energéticos, estrategias pasivas de climatización se pueden implementar en el diseño viviendas. Sin embargo, estas requieren de usuarios activos, lo cual trae aparejado consumos de energía mayores a los esperados debido a pereza o falta de conocimiento de los usuarios. Una alternativa para evitar estos problemas es la automatización de las estrategias pasivas implementadas, obteniendo así nuevos mecanismos que, si bien consumen energía para su accionamiento, poseen ahorros energéticos mayores. Muchos sistemas de control para estos mecanismos han sido desarrollados, sin embargo, presentan la desventaja de no considerar las preferencias de los habitantes particulares por la complejidad que esto implica.Por otra parte, el desarrollo de la inteligencia artificial ha ido creciendo en las últimas décadas, permitiendo abordar problemáticas complejas como la aquí planteada. En la actualidad, se han desarrollado modelos que permiten resolver de manera óptima problemas de mucha complejidad. Es por ello que en este trabajo se implementa un algoritmo de aprendizaje por refuerzos, específicamente Q-learning, de forma tal que se pueda realizar una política óptimas de los sistemas pasivos y activos de una vivienda y que considera el confort de los habitantes. El objetivo principal de este trabajo es presentar los avances en la línea de investigación que se está abordando, encontrándose el caso de estudio basado en la simulación de un modelo simple implementado en el simulador de edificios EnergyPlus versión 9.5.0 y con sobreescritura para el accionamiento de los sistemas de control a través de un código escrito en Python que utiliza la API del simulador. Para la evaluación del modelo, se comparó el consumo de energía y las horas de confort obtenidas con sistemas de reglas fijas, convencionales en la actualidad, y con otro moderno que aplica inteligencia artificial, pero solo al sistema activo. Como resultados, el algoritmo de aprendizaje programado funcionó correctamente, encontrando una política de acciones óptima. Es importante destacar que es la primera aplicación que se ha publicado, según el mejor conocimiento de los autores, del uso de la API de EnergyPlus, y no se tuvieron errores. En cuanto a las métricas de evaluación, consumo de energía y horas de confort, el modelo propuesto no logró mejorar con respecto a los sistemas de control con los cuales se lo comparó. Sin embargo, no se exploraron todos los hiper parámetros del algoritmo como así tampoco otras alternativas de aprendizaje. Además, una ventaja clara de esta clase de control es que permitiría ampliar las variables medibles de toma de decisión, pudiendo integrar una interacción del usuario con el sistema, de forma tal que se pueda aumentar la sensación de confort de una manera holística, y no sólo el confort térmico como se hizo en este trabajo